Intelligent flood monitoring framework using dual-polarization synthetic aperture radar and geospatial artificial intelligence

方法

用Sentinel-1双极化影像，对比纹理、阈值、差分与神经网络法。

发现

神经网络总体精度89.40%，洪涝面积77.09 km²，接近参考值79.50 km²。

机会点

可扩展到多洪事件、多河段，并引入独立参考数据与显著性检验以验证方法稳健性。

摘要 在季风灾害期间，当云层遮挡光学卫星图像时，需要快速获取洪水淹没图。南亚各机构仍缺乏针对农业洪泛平原的既有雷达方法以及Sentinel-1两种极化方式的明确比较。本研究以印度下戈达瓦里河流域科武尔河段2019年8月洪水为对象，比较了四种方法。对同一双极化Sentinel-1图像分别应用了纹理分析、双层后向散射阈值法、图像差分法和人工神经网络。以国家遥感中心地图为参考，根据500像素混淆计数重新计算精度。基于这些计数，神经网络总体精度最高，为89.40%，洪水面积为77.09 km²，接近参考面积79.50 km²。阈值法较低，为82.00%。这些评分仅为描述性结果。位置数据为配对样本，参考数据来源与训练共用，且无法计算配对显著性检验。本研究的贡献在于针对下戈达瓦里这一农业洪泛平原开展了实用性比较，但仅限于一场洪水和一个河段。